GLM-5.3 is er. Het nieuwe model van Z.ai deelt zijn basismodel volledig met GLM-5.2. Elke prestatiewinst komt uit post-training die verder is opgeschaald: meer trainingsomgevingen, meer gevarieerde taken en meer rekenkracht. Volgens Z.ai is GLM-5.3 daarmee het sterkste model met open gewichten voor codering, volgens hen. De gewichten verschijnen twee weken na de lancering als opensource release, zodra de veiligheidsevaluatie is afgerond.

Alleen post-training, geen nieuw basismodel

Met GLM-5.2 bouwde Z.ai een complete stack voor training achteraf. IndexShare verwerkt lange context efficiënt, SAO traint met reinforcement learning op taken met een lange horizon en slime zorgt voor grootschalige asynchrone training. Die stack draaide op een groeiende verzameling trainingsomgevingen voor langdurige taken.

Voor GLM-5.3 bleef die basis onaangeroerd. Het team stopte een maand lang meer omgevingen, meer diversiteit en meer compute in dezelfde opzet. “Scaling post-training is all we did”, vat Z.ai de aanpak samen.

Sterke winst op codeertaken met minder tokens

Op Z.ai Code Bench, een nieuwe interne benchmark, presteert GLM-5.3 vijftig procent beter dan zijn voorganger. De benchmark plaatst codeeragents in complexe lokale ontwikkelomgevingen en meet twee dingen: het percentage taken dat van begin tot eind wordt voltooid en de nauwkeurigheid op checklistniveau. Omdat de testset privé blijft, is de kans klein dat het model de vragen tijdens de training heeft gezien.

Ook op publieke benchmarks zet GLM-5.3 records voor modellen met open gewichten. Op Terminal Bench 3.0 springt de score van 4,6 naar 28,3 punten. DeepSWE gaat van 46,2 naar 66,9 en Agents’ Last Exam van 23,8 naar 28,5. Dat zijn forse stappen voor taken die uren duren en honderden agentstappen vereisen.

Minstens zo opvallend is de efficiëntie. Op het hoogste denkniveau haalt GLM-5.3 een score van 34,5% met gemiddeld 75.000 outputtokens per taak, terwijl GLM-5.2 met 96.000 tokens op 23,4% bleef steken. Op het middelste niveau scoort GLM-5.3 31,4% met circa 50.000 tokens en passeert daarmee Claude Opus 4.8, dat met 120.000 tokens op 29,5% uitkwam. Alleen Claude Fable 5 blijft voorop met 39,5% op zijn hoogste inzet.

Trainingsomgevingen die lijken op echt werk

De winst komt uit een bewuste verschuiving. De taken in de trainingsomgevingen worden steeds moeilijker, voer voor experten. Voor vragen over infrastructuur voor machine learning krijgt het model toegang tot rekenclusters, opslag, interne documentatie, codebases en eerdere experimentresultaten. Het moet knelpunten in de stack diagnosticeren, optimalisaties doorvoeren, experimenten draaien en een meetbare versnelling opleveren zonder de correctheid te breken.

Zulke omgevingen handmatig bouwen schaalt niet. Z.ai bouwde daarom pipelines die omgevingen van begin tot eind genereren. Researchagents verzamelen taakpatronen uit echt werk en zetten ze om in uitvoerbare omgevingen met meerdere stappen en verborgen toestanden. Een beoordelende agent controleert vervolgens of elke taak daadwerkelijk oplosbaar is. De verifiers worden opgesteld zonder toegang tot de referentieoplossing, terwijl trajecten van oplossers dienen om shortcuts in de beloning te ontdekken en te dichten. Een verifier die alle controles doorstaat, levert een binaire beloning die betrouwbaar genoeg is om direct op te trainen. Deze pipelines vragen nog steeds menselijke tussenkomst; het verder automatiseren van het genereren en verifiëren is een volgende stap.

Cybercapaciteiten groeiden sneller dan verwacht

Tijdens de post-training voegde Z.ai data en omgevingen voor het ontdekken van kwetsbaarheden toe aan de trainingsmix. De verwachting was dat het model beter zou worden in het vinden van beveiligingsfouten. Wat het team verraste, was het tempo waarin die capaciteit zich ontwikkelde. GLM-5.3 ging verder dan het herkennen van geïsoleerde fouten. Het model begon te redeneren over meerdere stadia van exploitatie en vormde coherente plannen voor complete exploitatieketens.

Op CyberGym, dat start vanuit broncode en test of het model kwetsbaarheden kan identificeren en valideren, scoort GLM-5.3 84,5%. Dat is de beste uitkomst op die benchmark, net boven Claude Opus 4.8 met 83,8% en GPT-5.6 Sol met 83,6%. Op ExploitBench, dat dieper redeneren over echte exploits vereist, meer dan verdubbelt de score van 24,4% naar 54,4%. De gesloten topmodellen blijven daar met 78% en 76,5% duidelijk voor. Op ExploitGym voltooit GLM-5.3 binnen genormaliseerde tijdsbudgetten 105 taken in twee uur en 130 in zes uur, tegenover 29 en 39 voor GLM-5.2.

Hoe verder een benchmark in de exploitatieketen zit, hoe groter de sprong ten opzichte van GLM-5.2. Tegelijk is daar ook de afstand tot de gesloten frontier het grootst. De capaciteit groeit het snelst precies daar waar de achterstand het grootst is.

2.436 kwetsbaarheden in echte codebases

Sinds GLM-5.2 werkt Z.ai met meerdere Chinese securityteams om de modellen los te laten op bestaande codebases. Na beoordeling door experts, screening en deduplicatie identificeerde het model 2.436 kwetsbaarheden verspreid over 269 opensourceprojecten. Daarvan zijn 1.097 beoordeeld als kritiek of hoog. De bevindingen gaan over kernels, besturingssystemen, browserengines, webapplicaties en netwerkprotocollen.

Veel van deze fouten bleven jarenlang onopgemerkt. De oudste kwetsbaarheid dateert uit 1981 en gemiddeld leefde een fout 26,6 jaar in de code voordat hij werd ontdekt. Z.ai houdt de bevindingen bij in een publieke Security Disclosure Ledger. Daarin staan nu 53 publiek gedeelde meldingen en 2.383 meldingen die nog onder embargo liggen.

Slime als motor van de opschaling

Alles draait op Slime, het opensource framework voor reinforcement learning van Z.ai. Megatron werkt aan de trainingskant en SGLang zorgt voor de rollouts. Training, rollout en databuffer delen één dataflow. Die opzet maakte het mogelijk om door GLM-5.2 en GLM-5.3 heen steeds meer omgevingen toe te voegen zonder de stack te herbouwen.

Voor deze release verbeterde het team onder meer de consistentie tussen training en rollout. Slimmere planning en lokale opslag als extra cachelaag leverden voor lange codeertaken een stijging van de trainingsdoorvoer met een factor 2,3 op.

Zo werk je met GLM-5.3

De API van GLM-5.3 kent drie denkniveaus: low, high en max. Thinking volledig uitschakelen kan niet meer. Voor codeertaken raadt Z.ai het niveau max aan. Gebruikt jouw applicatie nu nog thinking.type op disabled, zet die dan op enabled met reasoning_effort op low voordat je het model-id aanpast. Anders mislukt het verzoek.

GLM-5.3 is direct bruikbaar in codeeragents zoals ZCode, Claude Code en OpenCode. Wil je het model lokaal draaien, dan wacht je op de gewichten die twee weken na de lancering verschijnen.

Wat GLM-5.3 echt laat zien

Naarmate agents beter worden, verschuift het knelpunt van het model naar de omgeving. Wie post-training wil opschalen, heeft vooral veel uitvoerbare en verifieerbare taken nodig die op echt werk lijken. Z.ai laat zien dat die omgevingen inmiddels deels automatisch te genereren zijn, al blijft menselijke controle nodig.

Dat verschuift ook waar je als volger van open modellen op moet letten. De volgende sprongen komen waarschijnlijk vooral van wie de beste fabrieken voor trainingsomgevingen bouwt. GLM-5.3 is daar het eerste duidelijke bewijs van.